相信大家对即将讲述的数据分析内容很感兴趣，想知道Excel数据分析包含哪些知识？本文就言简意赅地后面的系列文章会涉及到的一些内容，在这里进行一下简单的概括，大致分为八大部分分别如下：

第一部分引入数据挖掘的概念。简要介绍什么是数据挖掘，介绍Excel强大的数据挖掘功能，excel不支持的功能需要使用“加载宏”。

第二部分介绍简单的数据挖掘和问卷调查；介绍最基本的数据挖掘方法，即利用“平均数”这种最简单的数据统计模型，分析身边的数据或少量数据，介绍问卷调查这种收集数据的常用手段的设计技巧。通过预测商品预期价格。证明从少量样本中也能提取重要信息。

第三部融入案例预估二手车价格，介绍使信用回归分析进行预测和因子分析的知识，多重回归分析是预估数值和分析因子时非常有效的统计方法，是多变量分析中最常用的统计方法之一．本章以“拍卖行的二手车数据”为例对其进行解说。数据包含定性数据和定量数据，统称为“混合型数据”、经常出现在商务领域中。

第四部分内容涉及求最优化的问题“规划求解”。Excel支持“规划求解”这个强大的工具。本章介绍用“规划求解”求最优化问题的方法。经营管理中经常遇到如何利用有限的资源，实现营业额和利润最大化，以及费用和成本最小化的问题．用一次方程表示约束条件和目标叫做线性规划，求解方法叫做线性规划法。 “规划求解”不仅适合线性规划法，也适合非线性规划法。还支持整数规划法（这些统称为数理规划法或最优化规划法）．本章通过具体实例说明“规划求解”的使用方法。

第五部分一起来学习分析交叉表，介绍用交叉表判断属性（年龄、性别、职业等）是否有差异的方法。用Excel的函数功能求解；用大量实例详细说明。

第六部分会通过开发畅销产品的概念组合的案例介绍联合分析，消费者选择或决定购买商品时最重视什么？若能预知消费者重视的内容，就能开发山非常畅销的产品。“联合分析”是以“开发畅销产品的概念组合”为目的。为了把把握消费者和巾场的动向，被广泛运用在市场营销领域中的一种分析方法。计多企业都采用这种调查方法．联合分析也可以用Excel数据分析。

第七部分通过软件故障何时了的案例，来介绍用规划求解制作生长曲线，预估故障总数，生长曲线可以根据初始数据对商品的需求趋势，未来的人口数量和知识的掌握程度等的变化结果进行预测。本章用规划求解得出最优生长曲线。介绍预测软件停止发生故障的时间的方法。

最后一部分就也很有趣，是经典的求最优投资组合问题。近年来，对股票感兴趣的人越来越多．投资者最关心资产的运营安全。大部分人都希望：（ａ）收益越高越好（ｂ）风险越低越好．但是，鱼与熊掌难以兼得。投贤中最基础的理论是“高风险、高收益”，“低风险、低收益”。本章介绍能够兼得鱼与熊掌的“投资组合”方法。即将资产划分成几部分，使各部分之间的正负变动相抵消，尽量降低投资风险。

以上就是Excel数据分析包含哪些知识的一个概要介绍，当然内容远远不止这些，在接下来的系列精彩文章会运用大量实例介绍了许多数据挖掘的方法。小编希望通过普及这些方法，使所有人都能够将其灵活运用到自己的工作或研究中．这将是我们最大的愿望

数据采集内容

数据采集包括历史数据的采集和当前市场数据的采集，是科学进行数据分析的基础，数据采集的准确与否直接决定了数据分析的价值。

在企业运营过程中，假设企业环境基础不稳定，项目发展的规律在运营期间内没有大的变化，我们可以通过搜集准确的历史数据或可比历史数据，根据以往的发展规律，运用定量预测技术对未来收入和成本加以预测，直接推算出预测的相关数据。当运营环境略有改变时，可以利用定性预测技术对预测结果加以修正。因而，这类项目的数据采集主要是对历史数据的有效采集。

对于新开的发的项目，由于缺乏可比性历史数据，或者市场发展规律不明确或不稳定，我们则先需要通过市场调研甄别影响市场需要求的主要市场因素的变量，根据项目具体情况选择市场调研的途径和方法，进而采集相关的市场数据，形成预测主要市场因素间关系的数据基础。

企业所在的市场不同，影响需求的主要因素不同，数据采集的途径也不同。

1、制定市场研究的具体计划

在市场研究工作中数据采集是最重要的部分，它帮助解决投资与经营中相关的重要数据的确定和决策的改进。然而，数据采集工作是要花费资金的，尽量其带来的益处不言而喻，但是，如果要采集数据，就一定要让这笔费用华的物超所值。为了达到这一目标，需要周密的计划、安排和监控。这样做，不仅从协调计划的方面看是很重要的，而且也确保在预计时间内获得重要的数据，同时也可将成本监控在一定的范围内。

2、明确数据来源

在数据采集前，必须要对数据资料来源进行选择。数据资料按其来源不同，可分为第一首资料和第二手资料。第一手资料指为了一定的目的采集所得的原始资料。采集第一手资料的费用比较高，但资料的价值相当大。这种资料常常来自现场的调查，其准确度高且针对性强。第二手资料是指采集现成的资料，包括互联网上的信息，各种报刊

文献上的资料，还有各类权戚机构发布的统计和研究报告等等，在现代项目研究中，由于互联网应用的普及，获取各种二手资料比起以往变得更加便捷，内容也异常丰富，所以二手资料的采集成为非常重要的调研手段．它有方便、快捷．成本较低的优点。数据分析人员还可以从内部资料中提取第二手资料．也可以利用外部资料间接获取。常见的内部资料往往来自企业的财务报表．比如．资金平衡表、销售统计以及其他报表档案。项目数据分析的起点始于采集第二手资料．但是这样的二手资料必须经过仔细统计、筛选及甄别．以尽可能保证资料的精确、可靠和真实。

3、明确抽样方案及样本容量

在一手数据的采集中，根据项目所属的特定行业及特定市场定位，许多数据可以通过直接采集得到全部样本，尤其对于成本、费用等可控制的要素；然而，对于其他数据的采集，比如说产销硫及其趋势变化数据，其总体范围很广，很难直接获取全部数据。这时我们常采川抽样技术，从拟采集数据的总体中抽取有代表性的部分单位作为样本，对样本进行调查或观察，并根据样本统计城估计总体参数，对所猫投资数据进行顶测

4、明确数据采集方法

数据采集往往采用三种方法：访问调查法、实验法和观察法。访问调查法通过访问代表性样本而获得数据，强调语言应答。而观察法强调非语言方式，通过调研人员在事件发生时或在过去已发生事件的记录中采集信息 · 与上述两种方法相比，实验法能够有效控制调研环境，在实际项目数据采集中，可根据项目特点、数据采集成本费用预算标准、时间及精度要求，采用不同的方法。

5、问卷设计

为了达到采集数据的目的，采川问卷方式进行调査是近年应用最广的一种调査手段。问卷设计的好坏，在很大程度上取决于调查问卷的回收率和有效率。另外，—张好的调查问卷必须满足后期数据分析的两个基本标准:相关性与准确性。

问卷设计部分包括了对问卷结构、问卷设计原则、问卷的问题格式等问题的讨论与分析。

6、数据处理及分析

原始数据收集回来后，可能出现虚假、差错、冗余等现象，如果简单地把这些数据投 入预测分析，可能会导致错误的分析结论，从而使整个分析工作失去意义。因此，首先要对数据进行整理和加工，才能进行分析研究并得出科学的结论。数据的处理是指运用科学的方法，将调査所得的原始资料按调査目的进行审核、编码、录人及预分析的过程

数据分析师这个职业越来越火，越来越多的人想往这个方向发展。

有在校生，也有转行的小伙伴来咨询数据分析师这个职业的相关问题。

从大部分情况来看，大家对于数据分析师的职业发展和技能非常关心。

那么别的先不说，数据分析入门到底要学什么？怎么学？

Excel

作为数据分析师，Excel是必备技能。Excel 是经过检验的可靠的数据分析工具，它广泛存在，非程序人员也能便捷操作，所以大多数企业即使也使用其他工具，但 Excel 工具还是他们的不二选择。

统计学

统计学同样是数据分析师的必备技能之一，你只有学好了统计学才能谈得上数据分析。统计知识会要求我们以另一个角度看待数据。当你知道AB两组的差异用平均值看是多傻的事情，你的分析技巧也会显著提高。如果你想成为一名出色的数据分析师，那么你就必须要会统计学。

推荐图书：《深入浅出统计学》

大概是最啰嗦的深入浅出系列，从卖橡皮鸭到赌博机的案例，囊括了常用的统计分析如假设检验、概率分布、描述统计、贝叶斯等。书本注重应用和趣味性，数学推理一般。

SQL

sql是所有数据库查询的语言，sql非常容易入手。

针对不同的数据库，如mysql、sqlserver、oracle等，sql语法会有所不同，但是总体上大同小异，只是细微处的差别。

而且如果你有数据库基础的话，只需要找些sql查询的习题来做一下，就会很快的得到提高。

推荐图书：《MySQL必知必会》

学习 SQL 的入门书，薄册子一本，看起来很快。SQL 是个性价比很高的技能，简单而强大。任何想进一步提高自己数据分析技能的产品/运营/分析师 同学，都建议点亮 这个技能点。

数据分析思维

作为一名数据科学家需要很挑剔，并且善于发现他人会遗漏的东西。那么我们应该如何做到像数据科学家一样思考呢？

梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

推荐图书：金字塔原理

金字塔的基本结构是：中心思想明确，结论先行，以上统下，归类分组，逻辑递进。先重要后次要，先全局后细节，先结论后原因，先结果后过程。

行业知识

对于数据分析师来说，业务的了解比数据方法论更重要。而且业务学习没有捷径。这一部分也没有什么书可以看的了，基本都靠搜索，总结，思考，再搜索，总结，思考。

万事开头难，但是一旦数据分析有了动力，就要开始完善自己的知识体系，这也是真正入门的开端。那如何完善数据分析的知识体系？

1、基本的计算机知识和统计知识

数据库 + SQL 语言

一些常用的数据库如 Oracle、SQL Sever、DB2、MySQL，这些数据库或者说日常接触的数据库都要有所了解，懂最常用的就好，最重要的还是要会写 SQL。

数学 / 统计学知识

一些基本的数学统计方法如描述性统计、多元统计分析、回归分析等，重要性不言而喻。

数据挖掘知识：方差分析、回归分析、因子分析、聚类分析等等。这些东西作为入门多多少少都要会一些，虽然有可能不会全用到，但一旦用时方恨少。而且也可以作为未来发展的基础

数据分析可视工具

数据分析可视化工具很宽泛。首推 Excel，中小公司很依赖，熟练使用数据透视表，这是必备技能。中大型公司都是用报表工具或者 BI 来做报表，但有了 SQL+Excel 的基础，这些工具上手都很快。

2、业务知识

数据分析师要与公司的各业务打交道，所以对于各部门的业务知识要有深入的了解。某业务领导需要知道某个指标，你需要知道这个指标由哪些数据构成? 数据统计的口径是什么？数据怎么取出来？这个指标对于行业的意义是什么，处于什么范围分别对应什么样的情况，是好还是坏。然后慢慢摸索这个指标层面多维度的规律，如何设定最合理。

明确自己的位置，快速成长

数据分析是一向比较专业的工作，要时刻警惕自己能力是否有提升，目前是什么样的水平，习惯反思自己:

你了解你所整理的数据的来源吗？是自己公司的业务数据，还是与合作伙伴交换的数据？是自己公司相关部门采集的，还是从第三方获取的？获取过程中，具体的指标和逻辑是什么？

这些数据是真实的吗？采集和整理过程中会不会出现什么问题？技术上的逻辑和业务上的逻辑是不同的概念，有没有技术上没有瑕疵，但并不符合业务逻辑的数据流程？

到你手里的数据经过了什么处理？你又做了什么处理？为什么他们和你要做这些处理？

谁需要你的数据？你处理后的数据流向哪里？他们用数据做什么？这些数据最终又拿去做了什么？比如，为客户做了什么服务，公司发布了什么内容，或向管理层证明了什么 KPI，或支持了哪个部门的评估？

你做整理的周期是什么？为什么是这样的周期？

公司有其他的部门在处理其他的数据吗？是什么样的数据？和你有什么关系？为什么这些数据要分开处理？

近一年，你自己的电脑上应该已经积累了不少数据，试试做个分析，从一段较长的时间来看，你负责的这一块数据发生了什么变化？为什么会有这个变化？和公司的产品、经营、业务有关，还是和行业有关？具体怎么有关？

如何进一步提升？

业务上

1. 业务为核心，数据为王

了解整个产业链的结构制定好业务的发展规划了解衡量的核心指标有了数据必须和业务结合才有效果需要懂业务的整体概况，摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解。然后根据业务当前的需要，指定发展计划，从而归类出需要整理的数据。最后一步详细的列出数据核心指标（KPI），并且对几个核心指标进行更细致的拆解，当然具体结合你的业务属性来处理，找出那些对指标影响幅度较大的影响因子。前期资料的收集以及业务现况的全面掌握非常关键。

2. 思考指标现状，发现多维规律

熟悉产品框架，全面定义每个指标的运营现状对比同行业指标，挖掘隐藏的提升空间拆解关键指标，合理设置运营方法来观察效果争对核心用户，单独进行产品用研与需求挖掘业务的分析大多是定性的，需要培养一种客观的感觉意识。定性的分析则需要借助技术、工具、机器。而感觉的培养，由于每个人的思维、感知都不同，只能把控大体的方向，很多数据元素之间的关系还是需要通过数据可视化技术来实现。

3. 规律验证，经验总结

发现了规律之后不能立刻上线，需要在测试机上对模型进行验证。

技能上

1.Excel 是否精钻？

除了常用的 Excel 函数（sum、average、if、countifs、sumifs、offset、match、index 等）之外，Excel 图表（饼图、线图、柱形图、雷达图等）和简单分析技能也是经常用的，可以帮助你快速分析业务走势和异常情况；另外，Excel 里面的函数结合透视表以及 VBA 功能是完善报表开发的利器，让你一键轻松搞定报表。

写给喜欢数据分析的初学者

2. 你需要更懂数据库

常用的数据库如 MySQL，Sql Server、Oracle、DB2、MongoDB 等；除去 SQL 语句的熟练使用，对于数据库的存储读取过程也要熟练掌握。在对于大数据量处理时，如何想办法加快程序的运行速度、减少网络流量、提高数据库的安全性是非常有必要的。

3. 掌握数据整理、可视化和报表制作

数据整理，是将原始数据转换成方便实用的格式，Excel 在协同工作上并不是一个好工具，报表 FineReport 比较推荐。项目部署的 Tableau、FineBI、Qlikview 一类 BI 工具，有没有好好培训学习，这些便捷的工具都能淡化数据分析时一些重复性操作，把精力更多留于分析。

为了帮助小伙伴们更好的学习Python，技术学派整理了Python的相关学习视频及学习路线图。

领取方式

关注“技术学派”后，评论转发文章，私信回复：Python学习

在上一篇文章中，我们讲到了成为数据分析师需要做到的职业规划，在本篇的讲述中，我们来重点讲从事大数据分析应有的知识储备、能力和目标。

说到能力，做大数据分析在大的方面一定要懂点战略、才能结合商业；一定要懂业务、才能结合市场；一定要专几种工具、才能干活；一定要学好、才能有效率；一定要有强悍理论基础、才能入门；一定要努力、才能赚钱；最重要的一点，要有务实的精神。

在为自己制定职业目标的时候也可以考虑以下几点：1-做过多少个项目？2-业务背景是什么，是否跨行业？3-做过多少种类型的模型？ 4-基于模型做过多少次完整的marketing闭环？等等，包括但不限于以上几种。我们可以此为努力的坐标，来时刻提醒自己。

我们来看一下某公司对数据分析师的任职要求：

1、计算机、统计学、数学等相关专业本科及以上学历；

2、具有深厚的统计学、数据挖掘知识，熟悉数据仓库和数据挖掘的相关技术，能够熟练地使用SQL；

3、 三年以上具有海量数据挖掘、分析相关项目实施的工作经验，参与过较完整的数据采集、整理、分析和建模工作；

4、对商业和业务逻辑敏感，熟悉传统行业数据挖掘背景、了解市场特点及用户需求，有互联网相关行业背景，有网站用户行为研究和文本挖掘经验尤佳；

5、具备良好的逻辑分析能力、组织沟通能力和团队精神；

6、富有创新精神，充满激情，乐于接受挑战。

通过以上的任职要求，我们不难发现从事大数据分析需具备的知识。小编建议，如果是统计专业的同学，Excel、SPSS、SAS应当做到精通，毕竟是在数据工作中常用的工具；如果是计算机专业的同学，则建议在Python、R语言方面多下功夫，同时精通Hadoop集群、Spark等工具，以及Hive、Hbase等。其实能够让自己技术提升最快的方法还是对做项目，经验永远不要嫌多！

为此，小编也整理了一些适合计算机大数据方向的学习资料，有需要的同学评论小编即可

大数据分析师是指基于各种分析手段对大数据进行科学分析、挖掘、展现并用于决策支持的人员，在国内顶尖互联网公司，大数据分析师的薪酬可能要比同一个级别的其他职位高20%至30%，且颇受企业重视。现在魔据教育大数据培训专家就来和大家说一说，一个大数据分析师需要掌握的知识技能。

大数据分析师的能力体系　　

如下图：

1.数学知识

数学知识是大数据分析师的基础知识。对于初级大的数据分析师，了解一些描述统计相关的基础内容，有一定的公式计算能力即可，了解常用统计模型算法则是加分项。对于高级数据分析师，统计模型相关知识是必备能力，线性代数（主要是矩阵计算相关知识）最好也有一定的了解。而对于大数据挖掘工程师，除了统计学以外，各类算法也需要熟练使用，对数学的要求是最高的。

2.分析工具

对于初级大数据分析师，玩转Excel是必须的，数据透视表和公式使用必须熟练，VBA是加分。另外，还要学会一个统计分析工具，SPSS作为入门是比较好的。对于高级大数据分析师，使用分析工具是核心能力，VBA基本必备，SPSS/SAS/R至少要熟练使用其中之一，其他分析工具（如Matlab）视情况而定。对于大数据挖掘工程师……嗯，会用用Excel就行了，主要工作要靠写代码来解决呢。

3.编程语言

对于初级大数据分析师，会写SQL查询，有需要的话写写Hadoop和Hive查询，基本就OK了。对于高级大数据分析师，除了SQL以外，学习Python是很有必要的，用来获取和处理数据都是事半功倍。当然其他编程语言也是可以的。对于大数据挖掘工程师，Hadoop得熟悉，Python/Java/C++至少得熟悉一门，Shell得会用……总之编程语言绝对是大数据挖掘工程师的最核心能力了。

4.业务理解

业务理解说是大数据分析师所有工作的基础，大数据的获取方案、指标的选取、乃至最终结论的洞察，都依赖于大数据分析师对业务本身的理解。对于初级大数据分析师，主要工作是提取大数据和做一些简单图表，以及少量的洞察结论，拥有对业务的基本了解就可以。对于高级大数据分析师，需要对业务有较为深入的了解，能够基于大数据，提炼出有效观点，对实际业务能有所帮助。对于大数据挖掘工程师，对业务有基本了解就可以，重点还是需要放在发挥自己的技术能力上。

5.快速学习

无论做大数据分析的哪个方向，初级还是高级，都需要有快速学习的能力，学业务逻辑、学行业知识、学技术工具、学分析框架……

魔据教育大数据培训专家告诉大家：大数据分析领域中有学不完的内容，需要大家有一颗时刻不忘学习的心。

在互联网时代，数据是重要的资源，随着数据的持续增长和大数据技术的成熟，数据分析变得越来越重要，要看清楚瞬息万变的网络世界，要知道表象背后的真相，非靠数据分析不可，不管是大数据分析还是传统数据分析，其本质是一样的。数据分析是为了通过对数据现象的查看来完成对产品，营销策略，运营策略的优化。达到最低成本，最优效果。因此，数据分析师对应的要求也越来越高。那么，作为一名优秀的数据分析师，需要有哪些基本能力，才能完成数据分析目标，保证结果的正确性？

商业数据分析的根本目的就是要洞察数据背后的规律，基于此，企业可以制订决策、并采取相应措施和行动，进而达成想要的结果。这是商业数据分析的最大价值所在。

数据分析的四个能力

1. 对业务的理解能力

数据分析之前，首先要进行的是业务梳理。只有在实践领域从事过数据分析工作，就会明白所有分析的重中之重都是业务知识本身。而业务知识的学习和掌握，需要的积累之深，培养一个业务专家，需要的周期之长，都远远超过后面所说的那些基本技能，成为业务专家实属不易，数据分析师其实是之于业务专家之上的更深层次的思考和总结，否则，谁指导谁都是个问题。业务学习的方式很多，比如将以前的分析报告和取数案例都拿过来研究一下，不懂就问，总是一个渐进的过程，但需要时间和行业的沉淀。数据分析师最需要不断提升的能力就是行业和业务知识，没有之一。

提升业务理解能力有几个方法

多使用产品本身，只有不断的尝试产品，体验和了解各种产品，才能在分析时有直观的思考和总结；与 产品相关的业务和技术同学沟通，尤其在进行数据理解和运营理解的时候，需要知道数据元素的含义以及当前运营的方式和形成这种运营方式的原因;多思考产品的内在逻辑，多问几个为什么，这样才不至于做分析方案的时候，遗漏其它的业务流程，或者进行错误的数据模型设计。2.有耐心，善于沟通

数据处理和逻辑梳理需要足够的耐心，尤其是在各种数据格式不统一，数据表存放混乱，以及业务流程／逻辑异常复杂的情况下，作为数据分析师，一定要有足够的耐心，沉下来进行全面的数据流程确认，画出对应的流程图，理清分析重点。

同时，数据分析贯穿BIT、数据、技术、业务整个链条，数据分析师将BIT最终转化成决策者理解的语言，跨越的流程很长，你需要面对不同的岗位，碰到不同的角色，采用不同的语言，表达你的要求和获得你需要的东西，成为数据和业务的桥梁，没有足够的沟通能力很难。所以，需要具备一定的沟通能力。在沟通之前，需要清楚的知道本次沟通的目的是什么，以及如何通过对方来达成自己有效数据分析的目标。与技术沟通，是理解参数含义，与运营沟通，是理解分析目标，与产品沟通，则是强调产品逻辑以及背后的思考。同时，如果你容易听取他人的意见，特别是智者的意见，则可以帮你找到另一条出路，你犯错的概率就会降低，相应的，你的分析就更有力量和说服力。

3. 数据分析的技术

数据分析有很多技术可以支持，包括SQL，Excle，SPSS，Matlab、Python等等，这些都是通过编程完成基本的数据分析语言编写，然后进行执行得出结果。

因此，数据分析师必须掌握并精通一两种数据分析编程技巧。包括从数据仓库中获取数据，对数据进行清洗，简化，或者补全，处理数据，计算数据，最后进行可视化的表达。这样才能完成数据分析的目标。这种技术对产品和运营人员也非常重要，只有学会处理数据，分析数据，才能在每个决策上面有据可依。

但在公司的数据分析中，你在看案例时，往往接触到的数据或使用的数据是局部的，因此，你的视野会受局限，在大多数公司里，很多数据分析师其实缺乏全局的数据视野，因为他不知道到底有多少数据，因此，永远只能在已知的数据里转圈圈，

当然，大多数数据分析师可能不需要进行系统数据学习，在实践中慢慢熟悉就好了，但自顶向下的数据学习方式可以让你有一个更好的基础和更全局的数据视野。

4.独立思考的能力

数据分析并不仅仅是为了完成一些业务上面的数据需求和论证。数据分析者应该在理解业务的基础上，扩大自己的思考范围，提升洞察力。

成为一个优秀的数据分析师，需要在不同的业务中进行磨练，同时需要足够的耐心和深入业务的思考进行决策支撑。一种客观，理性，同时又科学的数据分析心态是非常重要的，对于公司和产品的发展也是必需。

数据总是在那里，它不会说话，你不仅要基于业务能力理解它，还要学会推演和分析，从中发现规律，迅速定位某个商业问题的关键属性和决定因素，形成自己独创性的见解，所谓心思缜密，滴水不漏，没有思考逻辑没有数据分析。而要形成独特的见解，则来自于个人不断的学习和思考，这里的学习更多的强调是跨领域和专业，思考则是更多的强调养成思考的习惯。思考本身就是一种实践，它可以将你的知识更加系统化和深入化，数据分析在一定程度上是用来验证思路和启发灵感的，“数据分析”从来不是“数据分析”本身，而是以“数据分析”为手段和表象，对业务的深刻理解、思考和判断。

数据分析的四个层次

描述性分析（Descriptive Analysis）诊断性分析（Diagnostic Analysis）预测性分析（Predictive Analysis）处方性分析（Prescriptive Analysis）描述性分析——发生了什么？

如题目名字一样，该层次主要是对已经发生的事实用数据做出准确的描述。比如某企业本月订单签约额比上月增加2000万，至5500万，但是订单履约率从上月的98%下降到了95%，库存周转率从上月的0.8下降到了0.7。那么，这就是发生了什么？就需要去描述性分析。

诊断性分析——为什么会发生？

知道发生了什么，对我们的帮助不大，更重要的是，我们要明白为什么发生。比如经过分析，发现在描述性分析中提到的订单履约率下降的原因是成品生产不出来，无法完成交付。而成品生产不出来的原因则是部分原材料的供应商未能按时送货，导致原材料不齐套，无法开始生产。那么，这就是诊断性分析。

预测性分析——可能会发生什么？

基于上述两个层次的分析，我们发现了其中的规律，即原材料供应商的未能及时送货会影响成品订单的履约率。假如上月某原材料供应商A送货及时率只有70%，通过建模，我们可以预测本月该供应商会使我们的订单履约率下降2%。那么，这就是预测性分析。

处方性分析——我们该做些什么？

有了预测性分析的结果后，我们无需再做事后诸葛亮，而可以运筹帷幄，在事前就采取措施。上述中，供应商A会导致本月我们的订单履约率下降，我们可能采取的措施就是把A换掉，但是现在有B和C两个供应商供我们选择，该选择哪个呢？通过分析和计算得出：选用供应商B会比选C的订单履约率高1%，因此建议选择供应商B。这就是处方性分析。

四个层次层层递进，经过这四个层次的分析以后，可以对企业的决策和行动提供有力支撑。

分享 IT 技术和行业经验，请关注-技术学派。

数据分析是什么，不懂的小伙伴们请自行了解哈。做运营的，不会数据分析，你可能就不知道自己应该往哪个方向发展，数据是检验你每一件的最终标准。

作为一个运营，你需要了解数据分析的以下几点：

1. 明确数据分析的目的

做数据分析，必须要有一个明确的目的，知道自己为什么要做数据分析，想要达到什么效果。比如：为了评估产品改版后的效果比之前有所提升;或通过数据分析，找到产品迭代的方向等。

明确了数据分析的目的，接下来需要确定应该收集的数据都有哪些。

2. 收集数据的方法

说到收集数据，首先要做好数据埋点。

所谓“埋点”，个人理解就是在正常的功能逻辑中添加统计代码，将自己需要的数据统计出来。

目前主流的数据埋点方式有两种：

第一种：自己开发。开发时加入统计代码，并搭建自己的数据查询系统。

第二种：利用第三方统计工具。

常见的第三方统计工具有：

网站分析工具：Alexa、中国网站排名、网络媒体排名(iwebchoice)、Google Analytics、百度统计......

移动应用分析工具：Flurry、Google Analytics、友盟、TalkingData、Crashlytics......

不同产品，不同目的，需要的支持数据不同，确定好数据指标后，选择适合自己公司的方式来收集相应数据。

3. 产品的基本数据指标

新增：新用户增加的数量和速度。如：日新增、月新增等。

活跃：有多少人正在使用产品。如日活跃(DAU)、月活跃(MAU)等。用户的活跃数越多，越有可能为产品带来价值。

留存率：用户会在多长时间内使用产品。如：次日留存率、周留存率等。

传播：平均每位老用户会带来几位新用户。

流失率：一段时间内流失的用户，占这段时间内活跃用户数的比例。

4. 常见的数据分析法和模型

这里主要科普下漏斗分析法和AARRR分析模型。

①漏斗分析法

用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势，从而寻找到最佳的优化空间，这个方法被普遍用于产品各个关键流程的分析中。

比如，这个例子是分析从用户进入网站到最终购买商品的变化趋势。

从用户进入网站到浏览商品页面，转化率是40%;浏览商品到加入购物车转化率是20%等，那要找出哪个环节的转化率最低，我们需要有对比数据。

比如第一个，进入网站到浏览商品，如果同行业水平的转化率是45%，而我们只有40%，那说明这个过程，没有达到行业平均水平，我们就需要分析具体原因在哪里，再有针对性的去优化和改善。

当然，上面这是我们设计的一种理想化的漏斗模型，数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的，思考这中间有没有可以优化的空间。

②AARRR模型

这个是所有的产品经理都必须要掌握的一个数据分析模型。

AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的，分别是指获取、激活、留存、收入和推荐。

举个例子，用AARRR模型来衡量一个渠道的好坏。

如果单从数据表面来看，A渠道会更划算，但实际这种结论是有问题的，用AARRR模型具体分析如下：

渠道A的单个留存用户成本是60元，单个付费用户成本是300元；而渠道B的单个留存用户成本是20元，单个付费用户成本是33元，这样对比下来，明显B渠道的优势远远大于A渠道。

③交叉分析法

交叉分析法：通常是把纵向对比和横向对比综合起来，对数据进行多角度的结合分析。举个例子：

a. 交叉分析角度：客户端+时间

从这个数据中，可以看出iOS端每个月的用户数在增加，而Android端在降低，总体数据没有增长的主要原因在于Android端数据下降所导致的。

那接下来要分析下为什么Android端二季度新增用户数据在下降呢?一般这个时候，会加入渠道维度。

b. 交叉分析角度：客户端+时间+渠道

从这个数据中可以看出，Android端A预装渠道占比比较高，而且呈现下降趋势，其他渠道的变化并不明显。

因此可以得出结论：Android端在二季度新增用户降低主要是由于A预装渠道降低所导致的。

所以说，交叉分析的主要作用，是从多个角度细分数据，从中发现数据变化的具体原因。

5. 如何验证产品新功能的效果

验证产品新功能的效果需要同时从这几方面入手：

a. 新功能是否受欢迎?

衡量指标：活跃比例。即：使用新功能的活跃用户数/同期活跃用户数。

使用人数的多少还会受该功能外的很多因素影响，千万不可只凭这一指标判断功能好坏，一定要结合下面的其他方面综合评估。

b. 用户是否会重复使用?

衡量指标：重复使用比例。即：第N天回访的继续使用新功能的用户数/第一天使用新功能的用户数。

c. 对流程转化率的优化效果如何?

衡量指标：转化率和完成率。转化率即：走到下一步的用户数/上一步的用户数。完成率即：完成该功能的用户数/走第一步的用户数。

这个过程中，转化率和完成率可以使用(上)篇中提到的漏斗分析法进行分析。

d. 对留存的影响?

衡量指标：留存率。用户在初始时间后第N天的回访比例，即：N日留存率。常用指标有：次日留存率、7日留存率、21日留存率、30日留存率等。

e. 用户怎样使用新功能?

真实用户行为轨迹往往比我们设想的使用路径要复杂的多，如果使用的数据监测平台可以看到相关数据，能引起我们的反思，为什么他们会这么走，有没有更简便的流程，以帮助我们作出优化决策。

6. 如何发现产品改进的关键点

产品改进的关键点，是藏在用户的行为中。

想要找到这些关键点，除了通过用户调研、访谈等切实的洞察用户外，在产品中设置相关数据埋点记录用户的行为，观察其行为轨迹，不能完全替代洞察用户的行为，不过也可以有助于决策产品改进点。

操作步骤：

7. 写在最后

数据分析这个领域，需要学习的内容，还不止这些，如果对数据分析很感兴趣的小伙伴，也可以看看这两个网站：

A、网站分析在中国

http://chinawebanalytics

B、蓝鲸的网站分析笔记

http://bluewhale.cc

就数据分析学习而言，需要的技能模块有统计基础+数据库知识+编程能力。其以后的的职业发展方向，一个是业务层面的方向，一个是数据挖掘层面的方向。今天科多大数据和你们一起来谈谈关于数据分析的学习。

1.统计基础

理工科的学生在本科阶段学习过概率论与数理统计，单从做数据分析的角度已经够用。其他方面，可以根据需要查看相关书籍，随时进行查漏补缺即可。个人推荐《深入浅出统计学》，可以让统计理论的学习有趣又自然。

2.数据库知识

关系型数据库很重要。在学习数据分析的初期甚至很长一段时间，你接触到的数据都存储在关系型数据库中，需要学习SQL语言进行数据查询。关于SQL语言，强力推荐《SQL必知必会》，整本书通俗易懂，是学习SQL语言的不二之选。

学习数据库的本质就是在学习一种与数据打交道的逻辑思维与能力。编程中的很多思想都和关系型数据库、SQL相通，比如：SQL中对data进行group by的操作，这个在Excel里类似于透视表，在Python/R中也有相应的group function去处理数据。甚至在以后的进阶过程，你会接触到分布式数据库和所对应的no-SQL语句。

3.编程能力

Excel。 透视表（Pivot Table）是做数据分析的必备技能。透视表可以帮你迅速汇总数据，看到各类型数据的直观特征就像是让你站在更高的视角看待数据。作为进阶，Excel自带的函数、各种插件，以及VBA也是很好的工具。

Python。当数据量大到用Excel打开都要很久或者我们想进步提升能力时，需要学些hardcore技能，即用编程语言做数据分析。这里主要有R和Python两大流派。个人推荐Python，一是代码简单易懂，容易上手；二是学习资料多，降低学习成本。推荐《利用Python进行数据分析》，涵盖了利用Python做数据清洗，数据可视化及分析的技能点，可以作为一本工具书随时查阅。

Python 是目前科多大数据分析课程里面非常重要的一项内容，下面这张图更能直观反映学习内容

当然需要特别指出，数据分析课程学习内容肯定不止python这一项内容，还包括数据分析基础，互联网电子商务、经济学基础，数据产品（可视化报表）等各个板块的学习。

在先进技术逐渐融入自然学科的过程中，学科交叉现象已是大势所趋。

上次我们谈到了机器学习方向的

统计学知识

的学习方法：

机器学习入门——我的统计学该从哪里补起？

而对于数据分析在人工智能领域的应用，本次

竹间智能 数据科学家 张旭

，将分享一些AI方向必学的数据分析课程和相关知识，希望对有意进入该领域的同学有所帮助。

学习数据分析（AI方向）的课程前提，需要明确数据分析（Data Analysis）和数据科学（Data Science）的区别。数据分析算作数据科学的一个分支，除了机器学习（Machine Learning）外，还有很多偏重数据分析的内容，所以如果对于数据科学的各个分支都学的话，可能会因为学的太宽泛而导致多个课程都较难取得突破。

学习数据分析的重点，不仅仅是通过课程来学习知识，更是需要通过课程来培养数据的敏感性，利用数据来激发出更深远的洞察（insights）。

数据分析是一个实践性很强并容易运用于各个领域的专业技能，所以为了有效地学习数据分析，我们需要了解数据分析所涉及的几个重要环节，然后根据兴趣点来学习相关课程。

首先数据分析可以分为：

一、

处理数据(数据准备工作)

在训练模型（train model）前或者整理所需要的数据时，最重要的就是

数据的清洗处理

工作。可能多数情况下我们都在讨论各种Machine Learning的模型，但是如果训练集这一基础环节出现了问题的话，模型也不会很好。人工智能方向训练模型所需要的数据量比较大、维度也甚广，通常这些数据会有各种各样的问题，所以需要花时间清洗、整理数据。比如，处理缺失值、重复值、异常值等等，尽量将海量数据转换为自己想要的规范格式。

二、训练数据（数据分析过程中

）

在处理完数据后，可以做可视化处理（visualization），观察数据的趋势然后思考模型的运用，从回归模型（regression model）到神经网络，都要进行各种参数的检验工作，这一部分偏重

模型的学习

。

三、数据验证、测试、展现（数据后勤工作）

模型训练完后，会准备测试集去检测模型是否准确，根据测试结果找出其精确率（Precision）和召回率（Recall），并根据结果调参优化；同时考虑数据的拟合性。当获得数据分析的结果后，接下来重要的一点是如何将数据展现给他人。

如上面的总结，数据分析的前中后期，都可作为数据分析的不同核心点来进行课程学习，因此对于可能需要学习的课程和补充的知识，我从

理论知识

和

编程课程

两个维度总结如下：

1.

统计学、数学：

从代数、微积分、概率论等做入门功课，再到学习线性回归（Linear Regression）、Classification、决策树（Tree-Based Methods），再到支持向量机SVM(Support Vector Machine)、无监督学习（Unsupervised Learning）及流行的各种神经网络；

AI行业知识：

数据分析要有产品思考，所以你需要了解感兴趣的某一个人工智能分领域或人工智能与某个行业相结合的领域知识(对话、图像识别、语音、金融等)。

2.

Python、R等：

Python、R是Kaggle平台上用到的主要工具，也是最流行的数据分析软件；很多咨询公司会用SAS、SPSS、MATLAB等，因此看对哪个软件有兴趣，再去学习编程课程以及和数据分析相关的有趣的package；

SQL、NoSQL：

数据分析通常都需要掌握结构化查询语言SQL (Structured Query Language)的query语句来进行数据库的操作；通常会有mongodb、hbase等NoSql数据库，因此这些也可当做一门课程去学习；

Spark or Hadoop：

用分布式系统处理大数据也是数据分析的一个亮点，将编程运用到MapReduce进行海量数据挖掘处理；另外，能将数据存储在HDFS上，同样是个加分项；

Office及其他图形化软件：

要熟练掌握PPT、Excel等基础技能，将获取的结果用简洁易懂的方式呈现给看的人；做数据分析visualization很重要，需要学会使用各种可视化图形工具。

图片来源于网络。

竹间智能Emotibot以类脑对话系统和情感计算为核心，希望以人工智能技术助力更多行业、机构及个人拥抱AI时代，分享AI发展的红利。

如需转载，请联系竹间智能Emotibot，并注明出处。

相关阅读：

作为面试官，如何判断一个面试者的深度学习水平？